展示 HN: AI·rete·RAG – Rete 规则引擎决策，RAG 解释原因

Hi HN, 我构建了 ai·rete·rag，因为我不断看到团队让 LLM 负责需要审计的决策（贷款、欺诈、临床分诊），然后事后添加“护栏”。<p>相反，它按顺序运行这两者：<p>1. 一个纯 Python 的 Rete 引擎根据您的事实评估 YAML 规则。判决仅来自此处。相同的事实，相同的判决，每次都如此，基于优先级的冲突解决。 2. RAG 从您自己的政策文档中检索段落，而 LLM 用清晰的语言解释已做出的决策，并引用这些段落。它无法更改判决。<p>一些超出我预期的事情： - 规则是一个图，而不是扁平列表：嵌套 all/any/not，并且规则可以断言其他规则消费的事实（前向链接）。决策跟踪显示因果链。 - 审计模式记录每个评估的规则，包括未触发的规则，逐条件记录，并带有规则集快照以供重播。 - 规则可以引导检索（触发的规则缩小搜索的文档范围），检索到的文本可以转换为引擎的事实。 - 非技术作者可以在可视化编辑器中构建规则，或粘贴政策文档并获取 LLM 起草的规则及引用。草稿在未经审查前永远不会保存。YAML 仍然为工程师保留。<p>着陆页有无需注册的实时演示（8 个演示领域：贷款、欺诈、临床、保险、法律、运营、电子商务、区块链）。还有一个 MCP 服务器，因此 Claude 和其他代理可以调用 /decide 作为工具：`uvx ai-rete-rag-mcp`。<p>坦白说：它是一个托管产品，带有免费层。MCP 客户端是开源的（MIT，github.com/zaharajabeen13-create/ai-rete-rag-mcp）；引擎和平台目前不是开源的。<p>我特别想听听任何曾经需要向监管者或审计师解释自动化决策的人：他们实际要求了什么？